生物学的に解釈可能な深層学習由来のMRI表現型が肝内胆管癌におけるリンパ節関与と新補助療法反応を明らかにする

科学分野:

• 腫瘍学
• 放射線学
• 人工知能

背景:

• 肝内胆管癌（iCCA）の正確なLN病期分類は、非侵襲的方法では重要であるが困難です。
• 現在の非侵襲的アプローチは、LN関与の正確な層別化に苦労することが多く、治療決定に影響を与えます。

研究 の 目的:

• 肝内胆管癌（iCCA）におけるLNリスク層別化を改善するための新しい計算モデルを開発および検証すること。
• このモデルの治療への影響、特に新補助療法（NAT）を受けている患者における可能性を評価すること。

主な方法:

• MRIからのSwin UNEt TRansformers（SwinU）と臨床放射線学的データを統合してLN評価を行うSwinU-CliRadフレームワークを開発しました。
• モデルは、発見、内部、および外部の多施設コホートでトレーニングおよび検証され、さらに新補助療法（NAT）コホートで評価されました。
• AI由来の出力と、単一細胞RNAシーケンシングを含む腫瘍マルチオミクスプロファイルとの相関を調査しました。

主要な成果:

• SwinU-CliRadモデルは、複数のコホートでLNリスク層別化において高い精度（AUC 0.932-0.888）を示しました。
• このモデルは、誤分類の修正において放射線科医の評価を上回りました。
• NATコホートでは、モデルによって特定された高リスク患者は、完全奏効および主要病理学的奏効の割合が高いなど、病理学的奏効が改善しました。
• AI由来のLNステータスは、特定の遺伝子変異（KRAS）、タンパク質発現（MUC5AC）、および組織学的サブタイプと相関し、LN関与を免疫抑制性の腫瘍微小環境と結びつけました。

結論:

• SwinU-CliRadモデルは、iCCAにおけるLNリスク層別化のための生物学的に解釈可能なツールを提供します。
• 外科的候補者および新補助療法（NAT）の恩恵を受ける可能性のある患者の特定に役立ち、治療成績を向上させる可能性があります。